Automatiseren met AI betekent dat een taak niet meer begint bij een vraag die je zelf in ChatGPT of Claude typt, maar vanzelf start: bij een binnenkomende mail, een nieuw document in een map of een vast tijdstip. Een workflow legt de stappen vast, koppelingen verbinden je software met een taalmodel, en een AI agent kiest bij wisselend werk zelf de volgende stap.
Voor een kantoor zit de waarde vooral in voorbereidend werk, zoals mails sorteren, gegevens overnemen of een concept klaarzetten. Wat een automatisering naar buiten stuurt of definitief vastlegt, keurt een medewerker goed. Onderaan deze pagina staan alle gepubliceerde artikelen uit het cluster automatisering, een van de onderdelen van de AI kennisbank.
Wat is automatiseren met AI?
Automatiseren met AI is een werkproces inrichten waarin een taalmodel een of meer stappen uitvoert zonder dat iemand per keer een prompt schrijft. Het model krijgt een vaste instructie mee en verwerkt elke nieuwe invoer op dezelfde manier.
Klassieke automatisering bestaat al decennia en werkt met vaste regels: een mail met een factuur als bijlage gaat altijd naar dezelfde map. Het verschil tussen AI en automatisering zit in wat er gebeurt bij invoer die niet in de regels past. Een regel stopt of doet het verkeerde, een taalmodel interpreteert de vrije tekst en komt alsnog met een uitkomst. Dat maakt AI bruikbaar voor mails, notities en documenten die er elke keer anders uitzien, en minder geschikt voor taken waar een vaste regel volstaat.
Veel goede oplossingen combineren beide: vaste regels voor het standaardgeval, een taalmodel voor de uitzondering of de vrije tekst.
Hoe werken workflows, koppelingen en agents?
Workflows, koppelingen en agents zijn drie lagen van dezelfde opzet. De workflow bepaalt de volgorde van de stappen, de koppeling zorgt dat gegevens tussen programma’s bewegen, en een agent neemt binnen die opzet zelf beslissingen over de volgende stap.
Workflows met vaste stappen
Een workflow is een vooraf getekende reeks stappen die start bij een trigger. Een binnenkomende klantmail wordt bijvoorbeeld door een taalmodel ingedeeld op onderwerp en urgentie, waarna een conceptantwoord klaarstaat voor een medewerker. Tools als Zapier, Make, n8n en Power Automate bouwen zulke workflows zonder code, met een taalmodel als een van de stappen.
Koppelingen via API en MCP
Een koppeling verbindt je mail, documentmap of boekhoudpakket met een taalmodel, meestal via een API. Steeds meer AI-toepassingen gebruiken daarnaast MCP (Model Context Protocol), een open standaard die oorspronkelijk van Anthropic komt en waarmee een model andere software kan aanspreken zonder aparte koppeling per combinatie. Een proces is alleen te automatiseren als het bronsysteem zo’n koppeling of een exportmogelijkheid heeft; zonder dat blijft het overtypen.
AI agents
Waar een workflow een vast pad volgt, kiezen AI agents zelf welke stappen nodig zijn om een doel te bereiken, en voeren ze die uit in de programma’s waartoe ze toegang hebben. Dat werkt bij taken die zich niet in vaste regels laten vangen, maar het maakt de uitkomst ook minder voorspelbaar. Een agent maakt dezelfde fouten als het taalmodel waarop hij draait, met als verschil dat hij ze ook uitvoert.
Welke taken lenen zich voor automatisering met AI?
Taken die zich lenen voor automatisering met AI komen vaak terug, beginnen bij digitale invoer en eindigen in een concept dat iemand nog beoordeelt. Mails indelen en een antwoord voorbereiden, documenten samenvatten, gegevens uit een pdf overnemen en stukken voor een dossier verzamelen voldoen daar meestal aan.
Minder geschikt zijn taken waarin een rekenfout direct doorwerkt. Formules en berekeningen via een AI-model automatiseren vind ik foutgevoelig; teksten zijn makkelijker te automatiseren. Op zzpgeldzaken.nl, een eigen site, bevatte de database die ik met AI had opgezet veel fouten, waardoor berekeningen en vergelijkingen op de site niet klopten. Voor rekenwerk is een vaste formule in de software betrouwbaarder dan een taalmodel.
Kies de taak niet op wat het makkelijkst te automatiseren is, maar op waar het proces vastloopt. Bij AI procesoptimalisatie begin je daarom bij het knelpunt in een werkproces, en pas daarna bij de vraag welke stap AI overneemt.
Waar hoort de controlestap in een automatisering?
De controlestap in een automatisering hoort vóór elke handeling die het kantoor verlaat of niet terug te draaien is, zoals versturen, betalen of definitief vastleggen. De automatisering bereidt voor, een medewerker beslist.
Niet elke stap vraagt dezelfde controle. Een automatisering die interne notities ordent, heeft een ander risicoprofiel dan een automatisering die klantmails beantwoordt, en de controle beweegt daarop mee. Een test-run op een kleine sample voordat ik een bulkverwerking start, vangt in mijn eigen werk de meeste problemen af voordat ze impact hebben.
Leg ook vast welke gegevens de automatisering ziet. Een workflow die klantmails leest, verwerkt persoonsgegevens, en dan gelden de AVG en de afspraken met de leverancier van elke tool in de keten. Bij een automatisering die stelselmatig persoonsgegevens verwerkt, ligt een DPIA voor de hand.
Zelf bouwen of laten bouwen?
Een eenvoudige workflow, zoals mails indelen en een concept klaarzetten, bouw je met een no-code tool zelf. Zodra een proces meerdere systemen raakt, met dossiers of klantgegevens werkt of door een heel team wordt gebruikt, weegt de inrichting van rechten, logging en controle zwaarder dan de bouw zelf.
Kantoren die processen automatiseren met AI willen laten inrichten, kunnen bij LearnLLM een afgebakende automatisering voor één werkproces laten bouwen, met documentatie en een vaste controlestap. Wie het zelf wil leren, bouwt in de AI automatisering cursus met Claude een automatisering voor terugkerend werk uit de eigen praktijk, met of zonder code en met een controlestap voordat de output verder gaat.
